[論文レビュー] Coherent noise suppression via a self-supervised blind-trace deep learning scheme

Sixiu Liu, Claire Birnie+1 more|arXiv (Cornell University)|Jun 1, 2022

Seismic Imaging and Inversion Techniques被引用数 7

ひとこと要約

本稿では、クリーンなトレーニングラベルを必要とせずに、共通のノイズを抑圧する自己教師付きブラインドトレース深層学習フレームワークを提案する。トレース単位のコherentノイズを抑圧するために、トレーニング中に全トレースを垂直方向のノイズマスクで隠すことで、ネットワークは欠落した信号成分の再構成を学習し、合成データおよび実データにおいてノイズレベルや汚染率が変化する状況でも、頑健なノイズ除去を達成する。

ABSTRACT

Coherent noise regularly plagues seismic recordings, causing artefacts and uncertainties in products derived from down-the-line processing and imaging tasks. The outstanding capabilities of deep learning in denoising of natural and medical images have recently spur a number of applications of neural networks in the context of seismic data denoising. A limitation of the majority of such methods is that the deep learning procedure is supervised and requires clean (noise-free) data as a target for training the network. Blindspot networks were recently proposed to overcome this requirement, allowing training to be performed directly on the noisy field data as a powerful suppressor of random noise. A careful adaptation of the blind-spot methodology allows for an extension to coherent noise suppression. In this work, we expand the methodology of blind-spot networks to create a blind-trace network that successfully removes trace-wise coherent noise. Through an extensive synthetic analysis, we illustrate the denoising procedure's robustness to varying noise levels, as well as varying numbers of noisy traces within shot gathers. It is shown that the network can accurately learn to suppress the noise when up to 60% of the original traces are noisy. Furthermore, the proposed procedure is implemented on the Stratton 3D field dataset and is shown to restore the previously corrupted direct arrivals. Our adaptation of the blind-spot network for self-supervised, trace-wise noise suppression could lead to other use-cases such as the suppression of coherent noise arising from wellsite activity, passing vessels or nearby industrial activity.

研究の動機と目的

• 受信機との結合が不十分な場合や外部要因によるトレース単位のコherentノイズの問題に対処すること。
• 実際の地震調査では通常入手不可能なノイズのないトレーニングデータを必要とする教師あり深層学習手法の限界を克服すること。
• 垂直方向のノイズマスクを設計することで、ブラインドスポットネットワークの概念を自己教師学習に応用し、共通ノイズ抑制に適応させること。
• 合成データおよび実データの両方で、ノイズの振幅や汚染されたトレース数の変動に対して、ネットワークの頑健性を実証すること。
• クリーンなデータが入手できない現実世界のシナリオにおいて、地震データのノイズ除去に深層学習を実用的に応用可能にする。

提案手法

• ノイズ2ボディ（N2V）の自己教師学習フレームワークを拡張し、全トレースを隠す垂直トレースマスクにブラインドスポットマスクを拡張する。
• 入力とラベルの両方が同じデータのノイズありバージョンである、生のノイズありショットギャザーのみを入力として、畳み込みニューラルネットワーク（CNN）を訓練する。
• 全トレースをギャザー内で除去する垂直ノイズマスクを設計し、有用な信号の時間的コherエンシーを保ちながら、トレース単位のコherentノイズに焦点を当てる。
• スキップ接続を備えた標準的なU-Netアーキテクチャを用い、マスクされた入力から元の信号を再構成し、再構成誤差を最小化する。
• ネットワーク出力と元のノイズありデータとの間の平均二乗誤差（MSE）損失を用いて、ノイズありデータをターゲットとして、ネットワークをエンドツーエンドで訓練する。
• 制御されたノイズレベルとトレース汚染率を有する合成データ上で手法を検証し、実データ評価のためのストラトトン3Dフィールドデータセットに適用する。

実験結果

リサーチクエスチョン

• RQ1 自己教師付き深層学習アプローチは、クリーンなラベルを一切必要とせず、トレース単位のコherentノイズを効果的に抑圧できるか？
• RQ2 ブラインドトレースネットワークは、ノイズ振幅の変動やショットギャザー内での汚染トレース数の違いに対して、どの程度頑健か？
• RQ3 提案手法は、従来、共通ノイズによって汚染されていた実フィールドデータにおいて、直接波などのコherent信号成分を回復できるか？
• RQ4 合成データおよび実データの両方において、メディアンフィルタリングなどの従来のノイズ除去手法と比較して、ブラインドトレースネットワークの性能はどの程度か？
• RQ5 自己教師学習フレームワークは、産業活動や船舶交通など、他のタイプのトレース単位のコherentノイズに対しても、どの程度一般化可能か？

主な発見

• ブラインドトレースネットワークは、クリーンなラベルを一切必要とせず、ノイズのみを用いてトレース単位のコherentノイズを効果的に抑圧した。
• ショットギャザー内の60％までのトレースが汚染されている状況でも、効果的なノイズ除去が達成され、汚染率に対する高い頑健性を示した。
• ストラトトン3Dフィールドデータセットでは、従来マスクされていた直接波が回復されたことから、実世界の地震処理における実用的価値が確認された。
• 定量的評価では、すべてのテストノイズパターンにおいて、メディアンフィルタリングを上回る性能が示され、PSNRおよびSSIM値が向上した。
• 合成テストでは、ノイズ除去後の信号のコherエンシーが保持され、ノイズなしデータとの間の残差差分が小さく、アーチファクトの最小化が確認された。
• 産業活動や地面のロールなど、他のタイプのトレース単位のコherentノイズに対しても、このアプローチは一般化可能であり、地震データ処理におけるより広範な応用可能性を示唆している。